一种基于充电需求预测的充电停车场选址定容优化方法

1.本发明涉及交通规划领域，特别涉及一种基于充电需求预测的充电停车场选址定容优化方法。


背景技术：

2.近年来新能源汽车保有量持递增状态，数量增长迅猛，发展前景广阔，然而充电设施建设目前在总体上相比于电动汽车保有量增长仍存在较大缺口，难以满足日益扩增的充电需求，在局部普遍存在供需不匹配等问题，制约了电动汽车进一步发展和推广。因此，准确预测电动汽车用户充电需求、合理规划充电设施、实现供需平衡，具有重要的理论与实际意义。
3.电动汽车充电需求时空分布受用户群体主观行为与城市动静态交通客观条件影响，具有随机性强、分布不均匀等特点。除此之外，充电设施规划是关键，合理的设施规划可以尽可能地实现供需平衡，减少工程建设成本。截至目前，在电动汽车充电需求预测方面，多数研究假设燃油车与电动汽车出行特性相同，其用电行为建模缺乏实际数据支撑，在电动汽车充电设施规划方面，多数研究聚焦解决新建充电站服务范围划分与选址定容等问题，缺乏考虑结合现有停车设施建立规划模型，以及针对该问题设计有效的求解算法。


技术实现要素：

4.发明目的：针对以上问题，本发明目的是提供一种基于充电需求预测的充电停车场选址定容优化方法，基于实际的电动汽车运行数据，确定研究区域的电动汽车充电需求时空分布情况，建立基于模糊双目标优化的充电停车场选址定容规划模型，加快充电停车场选址定容有效布局。
5.技术方案：本发明的一种基于充电需求预测的充电停车场选址定容优化方法，该方法包括以下步骤：
6.步骤1，根据电动汽车状态的变化情况识别出行过程和充电过程，提取出行过程和充电过程中电动汽车记录的数据；
7.步骤2，根据研究区域的用地类型和用户出行情况确定各道路节点用户出行占比和概率转移矩阵；
8.步骤3，根据电动汽车出行过程中剩余电量能否到达下一道路节点判断该电动汽车充电需求，对于弹性充电需求，以电动汽车最大可充电量与当前时段充电价格为输入，构建模糊逻辑推理系统模拟用户充电决策，确定用户在各个道路节点的充电概率；所述充电需求包括弹性充电需求和刚性充电需求；
9.步骤4，基于蒙特卡洛方法模拟用户群体的出行过程与充电过程，根据充电决策判断用户出行过程是否产生充电需求，确定各个道路节点的充电需求时空分布；
10.步骤5，以用户时间成本最低和停车场效益最高为目标建立目标函数，构建充电停车场选址定容模型；
11.步骤6，根据充电需求时空分布，利用遗传算法对停车场选址定容模型进行求解，采用模糊双目标优化方法构建遗传算法的适应度函数。
12.进一步，所述步骤1具体包括：
13.步骤11，分别对每一辆车出行过程进行识别，依次遍历车辆运行记录数据，将原始数据中车辆状态为正常运行，启动时间发生变化、且熄火时间为空值的时间作为出行开始时间；将车辆状态为正常，熄火时间由空值变为具体值的时间作为出行结束时间；
14.步骤12，分别对每一辆车充电过程进行识别，依次遍历车辆记录数据，将原始数据中车辆状态由正常运行转变为正在充电状态的时间作为充电开始时间，将由正在充电转变为正常运行状态的时间作为充电结束时间；
15.步骤13，剔除出行过程和充电过程中记录时间存在缺失、车辆状态存在异常对应的过程，剔除出行过程中电量消耗对应实际行驶里程大于电量消耗对应理论行驶里程的出行过程。
16.进一步，所述步骤2具体包括：
17.根据识别到的用户出行过程和充电过程，拟合用户首次出行开始时间、行程速度、停车时长及首次出行电量；
18.根据用户每次出行的起终点结合用地类型，确定用户出行链类型占比、各居民区节点出行占比、以及不同用地类型节点之间的用户出行概率转移矩阵；
19.所述出行链类型包括家-工作区-家，和家-工作区-商业区-家两种类型；所述概率转移矩阵为居住区到工作区、工作区到商业区各个片区之间用户转移占比。
20.进一步，所述步骤3具体包括：
21.电动汽车每经过一个道路节点判断当前车辆剩余电量可否到达选择路径的下一道路节点，若不能，则为刚性充电需求，用户必须选择充电，判断停车时长是否能够满足用户充电需求，若能满足则按照充电时长进行充电，若不能满足则更新停车时长为充电时长；其中将目的地视为一个道路节点；
22.若车辆当前剩余电量支持到达下一道路节点，则为弹性充电需求，构建模糊逻辑推理系统，定义输入输出变量的模糊隶属度函数，以最大可充电量δsoc
max
和当前时段充电价格c(t)为输入变量，以用户充电概率为输出变量，对最大可充电量δsoc
max
定义较低、中等和较高3个模糊集合，c(t)包括谷时电价和峰时电价两种情况，对充电概率定义低、较低、中等、较高和高5个模糊集合，对不同集合下的输入变量对应输出变量制定推理规则；在确定最大可充电量和充电价格的情况下，确定每条推理规则的各输入变量隶属度，取输入变量隶属度最小值为每条推理规则的输出隶属度，再将每条规则的输出隶属度围成的图形叠加求质心，质心横坐标即为用户充电概率。
23.进一步，所述步骤4具体包括：
24.对某一用户个体，基于蒙特卡洛法抽取出行链类别，根据概率转移矩阵抽取用户居住区、工作地及休闲地节点的空间位置，根据用户行程参数抽取首次出行开始时间、行程速度和首次出行电量，采用类比多路径交通分配方法确定出行路径；
25.根据选择的出行路径，用户每到达一道路节点时根据当前剩余电量、停车时长与下一道路节点的距离进行充电决策，得到各个道路节点电动汽车充电需求的时空分布。
26.进一步，所述步骤5具体包括：
27.获取待研究区域的公共停车场数量、位置以及规模，以公共停车场是否接受改建、以及增加的充电桩数量为决策变量，约束条件为充电停车场的数量限制于单个充电停车场充电泊位数的限制；
28.充电停车场选址定容模型考虑用户角度优化目标和停车场角度优化目标，其中用户角度优化目标指用户时间成本最小，即用户群体为满足充电需求多行驶的时间与排队等待的时间之和f1应最小化，由每个用户i到达停车场时间ti和用户等待充电服务的排队时间wi加和得到，表达式为：
[0029][0030]
停车场角度优化目标为充电收费与充电设施建设成本之差f2最大化，由每个用户i满足充电需求的用户需支付的充电费用ci之和与各停车场建设充电桩单日成本cj之和做差得到，表达式为：
[0031][0032]
其中，j表示每个公共停车场，j＝1，2，
……
，n；n表示公共停车场数量。
[0033]
进一步，所述步骤6具体包括：
[0034]
采用模糊双目标优化方式，通过模糊化方法建立适应度函数，表达式为：
[0035]
f＝min{μ1(f1),μ2(f2)}
[0036]
其中，μ1(f1),μ2(f2)分别为目标函数f1,f2的值f1,f2的隶属度，仅以用户角度优化目标求解时，最优解对应目标f1的值为f
1m
，此时目标f2的值为f
2m
；仅以目标停车场角度优化目标求解时，最优解对应目标f2的值为f
2m
，此时目标f1的值为f
1m
，隶属度表达式分别为：
[0037][0038][0039]
随机生成n个可行解作为初代父种群p，依次进行交叉运算和变异运算，得到新种群p'以形成临时父种群p
temp
＝[p,p']，利用适用度函数计算适应度，按适应度大小进行排序，取p
temp
中排名前n的个体作为新种群o，完成一次迭代；重复进行遗传算法，直至达到最大迭代次数时停止迭代，取整个迭代过程中使适应度最高的个体作为选址定容模型的最优解。
[0040]
有益效果：本发明与现有技术相比，其显著优点是：
[0041]
1、本发明基于实际电动汽车出行和充电行为数据，开展充电停车场的选址定容研究，以电动车用户和充电停车场角度均衡考虑两者收益，于电动汽车用户群体而言，由于在选址规划中考虑了驾驶员前往充电停车场的时间以及等候停车的时间，故可以在很大程度上缩短电动汽车用户由于中途停车充电带来的时间损失，尽可能避免绕道充电的问题；于
充电停车场而言，优化目标考虑了充电收费收入与充电设施建设成本，可以保证停车场效益，避免了停车场支出成本过大，不能在一定时期内填补损失而无法经营下去的情况；
[0042]
2、考虑实际的电动汽车出行和充电行为，可以得到预测精确更高的充电需求时空分布，从而使得充电站选址规划可以更好地实现充电供需平衡，提高充电基础设施的利用效率；
[0043]
3、基于公共停车场增设充电桩的方法避免了新建充电停车场建设周期长、用地成本高的问题。
附图说明
[0044]
图1为充电停车场选址定容规划的流程图；
[0045]
图2为充电决策过程流程图；
[0046]
图3为用户在各个道路节点的充电概率求解示例图；
[0047]
图4为充电需求时空分布模拟计算流程图。
具体实施方式
[0048]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。
[0049]
本发明提供一种基于充电需求预测的充电停车场选址定容优化方法，通过实际电动汽车记录数据识别用户充电、出行过程，提取用户出行行为特征和车辆运行特征；根据研究区域内用地情况以及用户出行行为特征确定各道路节点用户出行比，不同地区道路节点之间用户出行概率转移矩阵；根据最大可充电量与充电价格等因素，构建模糊逻辑推理系统以此模拟用户充电决策；结合路径选择理论，采用蒙特卡洛方法模拟用户群体的出行与充电行为，确定各道路节点电动汽车充电需求时空分布；以研究区域公共停车场为充电设施备选站址，构建考虑用户成本和停车场效益的充电停车场选址定容规划模型；通过模糊化方法建立适应度函数，设计遗传算法求解。
[0050]
如图1，本实施例所述的一种基于充电需求预测的充电停车场选址定容优化方法，该方法包括以下步骤：
[0051]
步骤1，根据电动汽车状态的变化情况识别出行过程和充电过程，提取出行过程和充电过程中电动汽车记录的数据：
[0052]
步骤11，分别对每一辆车出行过程进行识别，依次遍历车辆运行记录数据，将原始数据中车辆状态为正常运行，启动时间发生变化、且熄火时间为空值的时间作为出行开始时间；将车辆状态为正常，熄火时间由空值变为具体值的时间作为出行结束时间。表1列举电动汽车原始数据中启动-熄火部分记录数据，数据采集时间间隔为30～60s。
[0053]
表1原始数据启动-熄火部分记录形式
[0054]
[0055][0056]“车辆状态”一列，“1”表示正常运行，“3”表示正在充电状态，“9”表示出现故障。
[0057]
步骤12，分别对每一辆车充电过程进行识别，依次遍历车辆运行记录数据，将原始数据中车辆状态由正常运行转变为正在充电状态的时间作为充电开始时间，将由正在充电转变为正常运行状态的时间作为充电结束时间。表2列举电动汽车原始数据中充电部分记录数据。
[0058]
表2原始数据充电部分记录形式
[0059][0060]“车辆状态”一列，“1”表示正常运行，“3”表示正在充电状态，“9”表示出现故障。
[0061]
步骤13，剔除出行过程和充电过程中记录时间存在缺失、车辆状态存在异常对应的过程，剔除出行过程中电量消耗对应实际行驶里程大于电量消耗对应理论行驶里程的出行过程。
[0062]
具体的，如采集时间间隔超过5分钟、车辆异常、车辆状态为“9”所对应的过程都应剔除；或是剔除出行过程中电量消耗对应实际行驶里程大于电量消耗对应理论行驶里程的
出行过程，如下式所示，如果单次出行消耗电量(％)超过出行里程δm与续航里程m比值的5个百分比，即视作电量消耗异常：
[0063][0064]
步骤2，根据研究区域的用地类型和用户出行情况确定各道路节点用户出行占比和概率转移矩阵：
[0065]
根据识别到的用户出行过程和充电过程，拟合用户首次出行开始时间、行程速度、停车时长及首次出行电量；
[0066]
根据用户每次出行的起终点结合用地类型，确定用户出行链类型占比、各居民区节点出行占比、以及不同用地类型节点之间的用户出行概率转移矩阵；
[0067]
所述出行链类型包括家-工作区-家，和家-工作区-商业区-家两种类型；所述概率转移矩阵为居住区到工作区、工作区到商业区各个片区之间用户转移占比。
[0068]
根据城市用地类型的地图，可以确定用地类型是居住、工作还是商业用地，然后道路节点在哪个区域或者靠近哪个区域就视为其属于哪种道路节点类型。用地类型指根据用户每次出行的经纬度，确定其出行的道路节点类型，然后提取出行起点类型为居住区道路节点类型的，最后统计得到不同居住区的出行比例，比如居住区1：居住区2＝0.4：0.6，在进行充电需求预测的时候在分配每个地方的出行流量的时候，可以根据总出行量和比例确定不同区域的出行量。
[0069]
根据城市用地类型地图和用户的出行起终点位置可以确定用户每次出行的类型，如居住区
→
工作区、工作区
→
休闲区，每一个类型都有一个概率转移矩阵，每个概率转移矩阵行和列表示不同用地区域之间出行的比例，这是根据每个节点到其他节点的数量占比决定。表3列举了居住区节点至工作区节点用户出行概率转移矩阵，其中wid代表工作区节点id，hid代表居住区节点id，数值表示从对应居住区节点
→
工作区节点的概率。
[0070]
表3居住区节点至工作区节点用户出行概率转移矩阵实例
[0071][0072][0073]
步骤3，根据电动汽车出行过程中剩余电量能否到达下一道路节点判断该电动汽车充电需求，对于弹性充电需求，以电动汽车最大可充电量与当前时段充电价格为输入，构建模糊逻辑推理系统模拟用户充电决策，确定用户在各个道路节点的充电概率；所述充电需求包括弹性充电需求和刚性充电需求。
[0074]
如图2所示，电动汽车每经过一个道路节点判断当前车辆剩余电量可否到达选择路径的下一道路节点，若不能，则为刚性充电需求，用户必须选择充电，判断停车时长是否能够满足用户充电需求，若能满足则按照充电时长进行充电，若不能满足则更新停车时长
为充电时长；其中将目的地视为一个道路节点。
[0075]
若车辆当前剩余电量支持到达下一道路节点，则为弹性充电需求，构建模糊逻辑推理系统，定义输入输出变量之间模糊隶属度函数，以最大可充电量δsoc
max
和当前时段充电价格c(t)为输入变量，以用户充电概率为输出变量，对最大可充电量δsoc
max
定义较低、中等和较高3个模糊集合，c(t)包括谷时电价 c
vally
和峰时电价c
peak
两种情况，对充电概率定义低、较低、中等、较高和高5个模糊集合，对不同集合下的输入变量对应输出变量制定推理规则，如表4所示，共6条规则，按照推理规则确定用户充电概率，在确定最大可充电量和充电价格的情况下，确定每条规则的各输入变量隶属度，取输入变量隶属度最小值为每条规则的输出隶属度，再将每条规则的输出隶属度围成的图形叠加求质心，质心横坐标即为用户充电概率。如图3所示示例，当最大可充电量δsoc
max
取58.5，充电价格c(t)取0.125，可得到六条推理规则的可充电量模糊隶属度和充电价格模糊隶属度，取二者中最小值作为每条规则的充电概率模糊隶属度，根据输出变量模糊隶属度函数可确定每条规则的模糊隶属度图像，将图像叠加后求解得到的质心横坐标即为车辆在当前道路节点的充电概率0.758。
[0076]
表4充电决策模糊推理规则
[0077][0078][0079]
最大可充电量δsoc
max
根据停车时长、当前剩余电量所决定，表达式为：
[0080]
δsoc
max
＝min(p*t/c*100,100-soc)
[0081]
其中，p为充电功率(kw)，t为停车时长(h)，c为电池容量(kwh)，soc 为当前荷电状态。
[0082]
步骤4，基于蒙特卡洛方法模拟用户群体的出行过程与充电过程，根据充电决策判断用户出行过程是否产生充电需求，确定各个道路节点的充电需求时空分布。
[0083]
如图4所示，对某一用户个体，基于蒙特卡洛法抽取出行链类别，根据概率转移矩阵抽取用户居住区、工作区及休闲区节点的空间位置，根据用户行程参数抽取首次出行开始时间、行程速度和首次出行电量，采用类比多路径交通分配方法确定出行路径；根据选择的出行路径，用户每到达一道路节点时根据当前剩余电量、停车时长与下一道路节点的距离进行充电决策，得到各个道路节点电动汽车充电需求的时空分布。
[0084]
类比多路径交通分配方法确定出行路径，假设用户的路径选择行为具有随机性，且其概率与满足用户出行目的的各条有效路径的长度有关。有效路径是用户出发地与目的
地之间由有效路段连接而成的路径，用户沿着有效路径行驶一定会距目的地越来越近。各条有效路径k被用户选择的概率p(k)采用logit型离散选择模型计算，表达式为：
[0085][0086]
其中，σ为无量纲分配参数，l(i)为第i条有效出行路径的长度，为m条有效路径平均长度。
[0087]
步骤5，以用户时间成本最低和停车场效益最高为目标建立目标函数，构建充电停车场选址定容模型：
[0088]
获取待研究区域的公共停车场数量、位置以及规模，以公共停车场是否接受改建、以及增加的充电桩数量为决策变量，约束条件为充电停车场的数量限制于单个充电停车场充电泊位数的限制；
[0089]
充电停车场选址定容模型考虑用户角度优化目标和停车场角度优化目标，其中用户角度优化目标指用户时间成本最小，即用户群体为满足充电需求多行驶的时间与排队等待的时间之和f1应最小化，由每个用户i到达停车场时间ti和用户等待充电服务的排队时间wi加和得到，到达停车场时间取决于用户i到达停车场的距离di以及当前的速度vi，表达式为：
[0090][0091]
其中用户排队时间wi参考车辆排队延误的计算思想，将充电需求车辆数的时间分布曲线记为设停车场中充电泊位的数量为c，当需求数于ta至tb时间段超过c时，该曲线超出水平线c的面积可近似表征用户该时段的充电延误，记为d
ab
，其计算方法如式为：
[0092][0093]
停车场角度优化目标为充电收费与充电设施建设成本之差f2最大化，由每个用户i满足充电需求的用户需支付的充电费用ci之和与各停车场建设充电桩单日成本cj之和做差得到，表达式为：
[0094][0095]
其中，j表示每个公共停车场，j＝1，2，
……
，n；n表示公共停车场总数量。为将建设成本折算成单日成本，需要确定每个停车场增设的充电桩数量nj、充电桩的使用寿命t和充电桩单价p。
[0096]
步骤6，根据充电需求时空分布，利用遗传算法对停车场选址定容模型进行求解，采用模糊双目标优化方法构建遗传算法的适应度函数。
[0097]
采用模糊双目标优化方式，通过模糊化方法建立适应度函数，表达式为：
[0098]
f＝min{μ1(f1),μ2(f2)}
[0099]
其中，μ1(f1),μ2(f2)分别为目标函数f1,f2的值f1,f2的隶属度，仅以用户角度优化目标求解时，最优解对应目标f1的值为f
1m
，此时目标f2的值为f
2m
；仅以目标停车场角度优化
目标求解时，最优解对应目标f2的值为f
2m
，此时目标f1的值为f
1m
，隶属度表达式分别为：
[0100][0101][0102]
随机生成n个可行解作为初代父种群p，依次进行交叉运算和变异运算，得到新种群p'以形成临时父种群p
temp
＝[p,p']，利用适用度函数计算适应度，按适应度大小进行排序，取p
temp
中排名前n的个体作为新种群o，完成一次迭代；重复进行遗传算法，直至达到最大迭代次数时停止迭代，取整个迭代过程中使适应度最高的个体作为选址定容模型的最优解。
[0103]
交叉运算：解x为2
×
n大小的向量，第一行为选址解，0和1值分别表示不设置和设置充电桩，第二行为定容解，对配成对的两个解x1与x2。首先，滑动选取两列决策变量，按照概率p
c1
将决策变量进行互换。其次，选取一列选址决策变量均为1的定容量，按照概率p
c2
进行实数值的线性交叉；
[0104]
变异运算：按照概率p
m1
选取一个选址决策变量对其进行取反，并且改变其关联的定容量。按照概率p
m2
选取一个选址决策变量为1的定容量进行一定幅度的上下浮动。